BenchLeader

GPT-5.4 vs Step 5 Preview

詳しいプロフィール:GPT-5.4(OpenAI)とStep 5 Preview(StepFun)。すべてのベンチマーク、価格、順位を掲載しています。

更新 · 12件の情報源のデータ

2026年11月16日時点で、品質ではGPT-5.4がStep 5 Previewを上回ります(BenchLeader Indexで63.1 対 56.0)。ただし、価格はStep 5 Previewの方が3.9倍安く、100万トークンあたりのブレンド価格で$1.43 対 $5.63です。コーディング(65 対 50)、推論(66 対 52)、エージェント・ツール(63 対 49)を重視するならGPT-5.4、長文コンテキスト(69 対 66)を重視するならStep 5 Previewが向いています。回答開始までの時間はStep 5 Previewの方が短く、23.5秒 対 144.9秒です。Step 5 Previewは出力が約2倍速い点も強みです。

要点(2026年11月16日時点)

  • BenchLeader IndexはGPT-5.4が63.1、Step 5 Previewが56.0です(BenchLeader、2026年11月16日)。
  • GPT-5.4の100万トークンあたりのブレンド価格は$5.63です(定価、2026年11月16日)。
  • Step 5 Previewの100万トークンあたりのブレンド価格は$1.43です(定価、2026年11月16日)。
  • Step 5 PreviewはGPT-5.4より出力が約2倍速いです(Artificial Analysis、7日間の中央値、2026年11月16日)。
  • 両モデルに結果がある12件のベンチマークのうち、Step 5 Previewが9件でリードしています(BenchLeader、2026年11月16日)。

用途別のおすすめ

おすすめ側の数値を先に示しています。カテゴリスコアはBenchLeaderの尺度(50が平均的なモデル、15ポイントが1標準偏差)です。標準偏差の半分以上の差があれば信頼度「高」、1ポイント未満の差は「どちらでも」としています。

用途おすすめ理由信頼度
コーディングGPT-5.4カテゴリスコア65 対 50;SciCode 56.6% 対 58.9%高
エージェント・ツール利用GPT-5.4カテゴリスコア63 対 49;GDPval-AA v2.1 1256 対 1591高
数学GPT-5.4カテゴリスコア65 対 60;ProofBench 56.0% 対 42.0%中
推論GPT-5.4カテゴリスコア66 対 52;CritPt 23.4% 対 20.9%高
知識GPT-5.4カテゴリスコア59 対 54中
長い文書Step 5 Previewカテゴリスコア69 対 66;AA-LCR v1.1 88.3% 対 82.0%中
画像などのメディアGPT-5.4カテゴリスコア61 対 59;MMMU-Pro 78.4% 対 76.4%中
チャットの質(人間の評価)–Arenaの評価があるのはStep 5 Previewのみです(カテゴリスコア63)比較不可
最低コストStep 5 Preview100万トークンあたりブレンド価格$1.43 対 $5.63;エージェント型コーディングセッション$0.071 対 $0.210–
回答開始の速さStep 5 Preview最初の回答トークンまで23.5秒(Step 5 Preview)対 144.9秒(GPT-5.4 (xhigh))–
低予算での大量処理フラッグシップ以外小型モデルの方が適していることがほとんどです:安くて優秀なLLM、最速のLLM–

主な違い

  • 品質ではGPT-5.4 (xhigh)がリードしています:63.1 対 56.0。
  • GPT-5.4 (xhigh)はエージェント・ツール、コーディング、知識、数学、マルチモーダル、推論で優れています。
  • Step 5 Previewは長文コンテキストで優れています。
  • Step 5 Previewの方が3.9倍安くなっています(100万トークンあたりブレンド価格$1.43 対 $5.63)。
  • Step 5 Previewの方が出力が1.7倍速くなっています(124 対 73トークン/秒)。

概要

仕様GPT-5.4Step 5 Preview
プロバイダーOpenAIStepFun
リリース日2026年3月5日2026年9月18日
コンテキストウィンドウ(トークン)1,050,0001,000,000
比較した構成GPT-5.4 (xhigh)Step 5 Preview
オープンウェイトなしあり
100万トークンあたりの価格(入力/出力/キャッシュ入力)$2.50 / $15.00 / $0.250$1.00 / $2.70 / $0.105

カテゴリ別の比較

カテゴリスコアはBenchLeaderの尺度で、50が評価対象モデルの平均、15ポイントが1標準偏差です。1ポイント未満の差は互角としています。

カテゴリGPT-5.4 (xhigh)Step 5 Previewトップ
推論65.751.7GPT-5.4
コーディング64.749.9GPT-5.4
エージェント・ツール63.049.1GPT-5.4
数学64.860.1GPT-5.4
知識58.653.7GPT-5.4
指示追従72.4–比較不可
人間の評価–63.1比較不可
マルチモーダル60.859.3GPT-5.4
長文コンテキスト65.769.0Step 5 Preview

1つのグラフで比較

各分野をIndexと同じ尺度(平均的なモデルが50)で示しています。分野をクリックすると、その元になったベンチマークが表示されます。 リストから最大5モデルまで選べます。

2550 avg75推論コーディングエージェント・ツール数学知識長文コンテキストマルチモーダルGPT-5.4, 推論: 65.7GPT-5.4, コーディング: 64.7GPT-5.4, エージェント・ツール: 63.0GPT-5.4, 数学: 64.8GPT-5.4, 知識: 58.6GPT-5.4, 長文コンテキスト: 65.7GPT-5.4, マルチモーダル: 60.8Step 5 Preview, 推論: 51.7Step 5 Preview, コーディング: 49.9Step 5 Preview, エージェント・ツール: 49.1Step 5 Preview, 数学: 60.1Step 5 Preview, 知識: 53.7Step 5 Preview, 長文コンテキスト: 69.0Step 5 Preview, マルチモーダル: 59.3

描画していないもの(測定済みのモデルが2つ未満):指示追従, 人間の評価。

モデル(クリックで追加・削除)Index

情報源で評価が分かれる点

両方に結果がある12件のベンチマークのうち、GPT-5.4のリードが3件、Step 5 Previewのリードが9件です。両方を評価しているすべての総合指標で、GPT-5.4が上回っています。

総合IndexGPT-5.4 (xhigh)Step 5 Previewトップ
BenchLeader Index63.156.0GPT-5.4
Arena Text1475†1449GPT-5.4

公開元ごとにタスク、評価環境、エフォートの設定が異なるため、総合的な評価が食い違うことがあります。BenchLeaderはそれらを1つの尺度にそろえています。†は同じモデルの別のエフォート設定での測定値です(公開元がここで比較している設定をテストしていないため)。

価格・速度・レイテンシ

定価は、出力1トークンにつき入力3トークンの比率でブレンドしています。タスクあたりの価格は、算出方法のページに記載したトークン数で計算しています。ベンチマークのタスクあたりのコスト、トークン数、時間は実測値で、Artificial AnalysisのIntelligence Index全体の平均です。

指標GPT-5.4 (xhigh)Step 5 Preview
100万トークンあたりのブレンド価格$5.63$1.43
100万トークンあたりの入力/出力$2.50 / $15.00$1.00 / $2.70
100万トークンあたりのキャッシュ入力$0.250$0.105
タスクあたりの価格:チャットの返答$0.0055$0.0012
タスクあたりの価格:30ページのレポートを要約$0.039$0.014
タスクあたりの価格:コード編集$0.037$0.010
タスクあたりの価格:エージェント型コーディングセッション$0.210$0.071
タスクあたりの価格:構造化データの抽出$0.0080$0.0025
エージェント型コーディングセッション(入力の大半がキャッシュ)$0.109$0.030
ベンチマークのタスクあたりのコスト(AA Index)–$2.35
タスクあたりの出力トークン(AA Index)–113k
うち推論–80k
タスクあたりの時間(AA Index)–15 min
出力速度73 tok/s124 tok/s
回答開始までの時間144.9秒23.5秒
回答が完了するまでの時間(最終測定2026年11月13日)193.1秒54.4秒

各モデルは、ランキングで最も高い推論エフォートの設定で比較しています。GPT-5.4 (xhigh)のスコアは63.1、最初の回答トークンまで145秒。GPT-5.4 (low)は58.8(3秒)、GPT-5.4 (high)は58.6(2秒)。Step 5 Previewのスコアは56.0、最初の回答トークンまで24秒。推論エフォートを上げるほど回答前の思考が長くなり、スコアは上がる一方で待ち時間と課金トークンも増えます。 推論エフォートでスコアとコストはどう変わるか

全ベンチマーク

175件のベンチマークをカテゴリ別に並べています。名前をクリックすると、そのボードと上位モデルを表示します。†は同じモデルの別のエフォート設定での測定値で、参考として表示しており、勝ち数には含めていません。

指標公開元GPT-5.4 (xhigh)Step 5 Preview
BenchLeader IndexBenchLeader63.156.0
エージェント・ツールスコアBenchLeader63.049.1
コーディングスコアBenchLeader64.749.9
指示追従スコアBenchLeader72.4–
知識スコアBenchLeader58.653.7
長文コンテキストスコアBenchLeader65.769.0
数学スコアBenchLeader64.860.1
マルチモーダルスコアBenchLeader60.859.3
推論スコアBenchLeader65.751.7
人間の評価スコアBenchLeader–63.1
ブレンド価格($/100万トークン)BenchLeader$5.63$1.43
出力速度BenchLeader73 tok/s124 tok/s
回答開始までの時間BenchLeader144.9秒23.5秒
コンテキストウィンドウBenchLeader1,050,000トークン1,000,000トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub93.3%–
Humanity's Last ExamScale AI / CAIS36.2%–
Arena Hard PromptsArena (LMArena)1487†1477
LiveBench 2.0 ReasoningLiveBench–83.8%†
LiveBench 1.0 ReasoningLiveBench88.1%–
GPQA Diamond (AA)Artificial Analysis92.0%–
Humanity's Last Exam (AA)Artificial Analysis43.7%46.5%
HLE-Diamond (AA)Artificial Analysis–24.3%
GPQA Diamond (Vals)Vals AI91.7%–
Kagi LLM BenchmarkKagi LLM Benchmark63.8%†–
ARC-AGI-1ARC Prize93.7%–
ARC-AGI-2ARC Prize74.0%–
ARC-AGI-3ARC Prize0.2%†–
CritPtArtificial Analysis23.4%20.9%
CritPt v2 hard subset (AA)Artificial Analysis–32.5%
MysteryMechanismVals AI–18.5%
Arena ExpertArena (LMArena)1491†1489
Chess PuzzlesEpoch AI Benchmarking Hub48.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%–
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%–
LMCAEpoch AI Benchmarking Hub52.0%–
DTBenchEpoch AI Benchmarking Hub94.4%–
ForecastBenchForecastBench63.0%†–
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
175件のベンチマークをすべて表示
指標公開元GPT-5.4 (xhigh)Step 5 Preview
コーディング
SciCodeSciCode56.6%58.9%
WeirdMLWeirdML77.7%–
GSO-BenchGSO-Bench31.4%–
Arena CodingArena (LMArena)1511†1505
Arena WebDevArena (LMArena)1400†1573†
LiveBench 2.0 CodingLiveBench–67.6%†
LiveBench 1.0 CodingLiveBench77.5%–
SciCode (AA)Artificial Analysis–58.9%
LiveCodeBenchVals AI84.1%–
IOIVals AI–38.1%
SWE-bench (Vals)Vals AI78.2%–
SWE-Bench ProScale AI SEAL59.1%–
Code MigrationVals AI35.0%39.0%
Code Migration v1.1Vals AI–47.0%
ProgramBenchVals AI0.0%–
SWE-bench MultimodalVals AI–40.8%
Vibe Code Bench v1.1Vals AI67.4%70.4%
SWE-Bench Pro (private)Scale AI SEAL43.4%–
SWE Atlas v1.0: Codebase QnAScale AI SEAL40.8%–
SWE Atlas v1.0: RefactoringScale AI SEAL44.3%–
SWE Atlas v1.0: Test WritingScale AI SEAL44.4%–
MirrorCodeEpoch AI Benchmarking Hub23.3%–
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%–
ALE-BenchEpoch AI Benchmarking Hub1607†–
AlgoTuneAlgoTune1.9†–
Terminal-Bench 4.0 (AA)Artificial Analysis–33.3%
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%–
GameBench 2 OverallDuelLab GameBench 253.4†–
GameBench 2 by reasoning settingDuelLab GameBench 262.1–
Design Arena WebsiteDesign Arena1190†–
FrontierCode 1.1 (AA)Artificial Analysis–38.4%
FrontierCode 2.0 (AA)Artificial Analysis–12.0%
エージェント・ツール
Terminal-BenchTerminal-Bench81.8%†–
APEX-AgentsMercor52.4%†–
Arena AgentArena (LMArena)–-3.7
LiveBench Long AgenticLiveBench–19.4%†
LiveBench BrowserLiveBench–24.8%†
LiveBench Agentic CodingLiveBench53.8%–
Terminal-Bench HardArtificial Analysis57.6%–
τ²-Bench Telecom (AA)Artificial Analysis87.1%–
MCP AtlasScale AI SEAL70.6%–
HiL-BenchScale AI SEAL9.7%†–
τ³-bench Bankingτ²-bench39.4%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–54.3%
GDPval-AA v2.1Artificial Analysis12561591
τ³-Banking (AA)Artificial Analysis39.6%–
ITBench SRE (AA)Artificial Analysis–55.6%
Analyst Agent (AA)Artificial Analysis–35.0%
APEX-Agents (AA)Artificial Analysis33.3%38.0%
Finance Agent v2Vals AI–50.7%
Finance Agent v2.1Vals AI–58.9%
Harvey's Legal Agent Benchmark v1.1Vals AI–12.9%
Harvey's Legal Agent Benchmark v1Vals AI0.0%9.2%
Legal Research BenchVals AI–40.4%
SkillsBenchVals AI51.7%–
SREBenchVals AI–0.4%
Tax Agent BenchVals AI–27.3%
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Terminal-Bench 4.0 (Vals)Vals AI–31.8%
Terminal-Bench ScienceVals AI–2.9%
Arena SearchArena (LMArena)1196†–
Arena Agent Task CompletionArena (LMArena)–-1.5
DeepResearch BenchDeepResearch Bench35.1%†–
PostTrainBenchEpoch AI Benchmarking Hub17.8%†–
METR Time HorizonsMETR74.3%–
GBAEvalEpoch AI Benchmarking Hub45.1%†–
Vending-Bench 2Andon Labs6144.2†–
AutomationBenchArtificial Analysis–51.0%
GDP.pdf (AA)Artificial Analysis–14.8%
EnterpriseOps-GymArtificial Analysis–47.2%
AA-Briefcase v1.1Artificial Analysis–1424
Design Arena AgenticDesign Arena1042†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–2.4%
CWE-Bench (AA)Artificial Analysis–52.5%
DeepSec-Bench (AA)Artificial Analysis–15.8%
CyberGym end-to-end (AA)Artificial Analysis–74.8%
MKA (AA)Artificial Analysis–27.6%
DeepSearchQAGoogle63.7%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub78.6%–
FrontierMath Tier 4Epoch AI Benchmarking Hub49.0%–
OTIS Mock AIMEEpoch AI Benchmarking Hub95.3%–
ProofBenchVals AI56.0%42.0%
LiveBench MathematicsLiveBench94.2%–
AIME (Vals)Vals AI96.7%–
AIME 2026MathArena99.2%–
HMMT February 2026MathArena97.7%–
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%–
Arena MathsArena (LMArena)1459†1470
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%–
LiveBench 2.0 Data AnalysisLiveBench–63.5%†
LiveBench ResearchLiveBench–75.5%†
LiveBench 1.0 Data AnalysisLiveBench79.3%–
AA-Omniscience v1.1Artificial Analysis–16.4
MMLU-ProVals AI87.5%–
LegalBenchVals AI86.0%–
CorpFinVals AI65.3%–
TaxEvalVals AI74.0%–
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†–
PRBench LegalScale AI SEAL44.4%†–
MultiNRCScale AI SEAL58.3%†–
BioMysteryBenchVals AI–67.4%
CaseLaw v2Vals AI63.8%–
Excel Modeling BenchmarkVals AI–57.1%
Excel Modeling Benchmark v1.1Vals AI–69.5%
MedCodeVals AI41.3%–
MedScribeVals AI77.5%–
Public Benefits Bench v1.1Vals AI–58.1%
EBR-benchEpoch AI Benchmarking Hub25.4%–
AA-Omniscience v1.1: accuracyArtificial Analysis–36.4%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–68.7%
指示追従
LiveBench LanguageLiveBench82.6%–
LiveBench Instruction FollowingLiveBench70.2%–
IFBenchArtificial Analysis74.0%–
Arena Instruction FollowingArena (LMArena)1460†1450
人間の評価
Arena TextArena (LMArena)1465†1449
EQ-Bench 4EQ-Bench1258†–
EQ-Bench Creative Writing v3EQ-Bench1841†–
Arena Creative WritingArena (LMArena)1433†1413
Arena Multi-turnArena (LMArena)1480†1445
Arena Longer QueriesArena (LMArena)1477†1461
マルチモーダル
Arena VisionArena (LMArena)1292†1263
LiveBench DesignLiveBench–70.8%†
MMMU-ProArtificial Analysis78.4%76.4%
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%–
MortgageTaxVals AI68.3%–
VTBScale AI SEAL29.2%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub27.1%†–
Furniture AssemblyEpoch AI Benchmarking Hub37.5%–
Code2Video-AAArtificial Analysis–821
AA-3DArtificial Analysis–859
長文コンテキスト
AA-LCR v1.1Artificial Analysis82.0%88.3%
Arena DocumentArena (LMArena)1471†–
MLCRArtificial Analysis–18.3%
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†–
LiveBench 2.0LiveBench–54.9%†
LiveBench 1.0LiveBench78.0%–
AA Intelligence Index v5.0.1Artificial Analysis–28.5
AA Intelligence Index v4.3.2Artificial Analysis39.043.7
AA Progress Index v1Artificial Analysis311.6318.2
Vals IndexVals AI–54.8
Vals Finance IndexVals AI–55.4%
Vals RSI IndexVals AI15.5%–
Vals Science IndexVals AI–29.6%
Vals Legal IndexVals AI–70.2%
AA Cyber IndexArtificial Analysis–47.7
安全性・誠実さ
MASKScale AI SEAL89.7%†–
メタデータ
AA Openness IndexArtificial Analysis–33.3

データは2026年11月16日時点。各モデルの最良の構成で比較しています。すべてのスコアの出典はモデルのページにリンクしています。

DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.

最近の変化

  • Step 5 Preview:BenchLeader Index 54.2 → 56.0。
  • Step 5 Preview:BenchLeader Index 54.7 → 54.2。
  • GPT-5.4 (xhigh):新しい結果1件(GDPval-AA v2.1)。
  • Step 5 Preview:スコアの改訂1件。
  • GPT-5.4 (xhigh):新しい結果1件(MirrorCode)。
  • Step 5 Preview:スコアの改訂7件。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • GPT-5.4 (xhigh):スコアの改訂1件。
  • Step 5 Preview:新しい結果2件(Vals Index, Harvey's Legal Agent Benchmark v1.1)。
  • Step 5 Preview:スコアの改訂1件。

ランキング: 総合ベストLLM · エージェントに最適なLLM · 安くて優秀なLLM

GPT-5.4 vs Step 5 Preview:よくある質問

GPT-5.4はStep 5 Previewより優れていますか?
品質ではGPT-5.4 (xhigh)がリードしています:63.1 対 56.0。BenchLeader Indexは第三者による品質ベンチマークをすべて統合した指標です。2026年11月16日時点では総合でGPT-5.4 (xhigh)が上回っていますが、用途に合わせてカテゴリ別のスコアも確認してください。
GPT-5.4とStep 5 Previewはどちらが安いですか?今後変わる予定はありますか?
現在はStep 5 Previewの方が安く、100万トークンあたり$1.43 対 $5.63です(出力1トークンにつき入力3トークンでブレンド)。どちらも価格変更は発表されていません。
コーディングにはGPT-5.4とStep 5 Previewのどちらが向いていますか?
コーディングではGPT-5.4の方がスコアが高くなっています(カテゴリ指標で65 対 50。50が平均)。共通するコーディングベンチマークのうち最も重要なSciCodeでは、GPT-5.4が56.6%、Step 5 Previewが58.9%です。
GPT-5.4とStep 5 Previewはどちらが速いですか?
Step 5 Previewの方が出力が約2倍速くなっています(出力124 対 73トークン/秒、Artificial Analysisの7日間の中央値)。
エージェントやツール利用にはGPT-5.4とStep 5 Previewのどちらが向いていますか?
エージェント型のタスクではGPT-5.4の方がスコアが高くなっています(カテゴリ指標で63 対 49。50が平均)。
ほかの質問(4件)
長い文書にはどちらが向いていますか?
長文コンテキストのベンチマークではStep 5 Previewの方がスコアが高くなっています(69 対 66)。どちらも約1.1Mトークンです(GPT-5.4は1,050,000、Step 5 Previewは1,000,000)。
レイテンシが低いのはどちらですか?
先に回答を始めるのはStep 5 Previewです。Artificial Analysisの測定では、最初の回答トークンまで23.5秒 対 144.9秒です。この差の大部分は推論エフォートによるもので、設定が高いほど回答前に長く考えます。
GPT-5.4とStep 5 Previewについて、第三者ベンチマークの評価は一致していますか?
両方に結果がある12件のベンチマークのうち、GPT-5.4のリードが3件、Step 5 Previewのリードが9件です。両方を評価しているすべての総合指標で、GPT-5.4が上回っています。
Step 5 Previewはいつリリースされましたか?
Step 5 Previewは2026年9月18日にリリースされました。